盧鴻興教授的演講深入探討了統計學習和機器學習技術在人工智慧輔助診斷中的應用。他的研究展示如何透過高階統計方法和先進的機器學習演算法，提高醫療影像分析的準確性和效率，進而改善疾病診斷和治療過程。
統計學習在 AI 輔助診斷中的角色
盧教授強調統計學習在理解和處理醫療數據方面的重要性。統計學習方法能夠從複雜的醫療數據中提取有用信息，並用於訓練機器學習模型，使其能夠預測疾病的存在或進展。這些方法包括回歸分析、分類算法以及更高級的模式識別技術，它們是構建有效AI輔助診斷系統的基石。
機器學習技術的應用
盧教授特別提到了深度學習技術在醫學影像分析中的應用。深度學習，一種基於人工神經網絡的學習方法，已被證明在識別和分類醫學影像上特別有效。這些技術可以從影像中自動識別病變的特徵，如腫瘤的大小和形狀，或是組織的異常變化，從而輔助醫生進行更準確的診斷。
跨領域合作的成果
通過與心臟科、神經科、骨科和眼科等不同領域專家的合作，盧教授的研究團隊展示了多種機器學習模型在實際醫療診斷中的應用。例如，在心律不整的診斷中，他們開發的 AI 系統能夠準確識別心電圖中的異常信號。在腦腫瘤的識別上，他們利用深度學習模型分析 MRI 影像，提高了腫瘤識別的準確率。
技術細節和挑戰
在技術細節方面，盧教授提到了幾個關鍵挑戰，包括如何處理醫學影像中的高維數據、如何訓練模型以適應不同類型的醫學影像，以及如何進行轉移學習，使模型能夠將在一種影像上學到的知識應用到另一種完全不同的影像上。這要求研究人員不僅要有深厚的機器學習知識，還需要對醫學影像的特性有深入理解。
為了克服這些挑戰，盧教授的團隊採用諸如卷積神經網絡 (CNN) 和遞歸神經網絡 (RNN) 等先進的深度學習架構，並開發了專門針對醫學影像特性的訓練策略。這些技術使得AI系統能夠從大量的醫學影像數據中學習，並在不同的醫學診斷任務中達到人類專家級別的表現。
以心房顫動為例，過往的研究發現，心房的體積和大小是關鍵因素。但這僅僅是對疾病的描述。挑戰在於，何將這些描述轉化成量化的數據，來預判危險情況。特別是希望能在手術前，僅憑影像資料就能預測可能遇到的問題，這是一個全新的挑戰。
利用 X 光或 CT 影像能夠判斷心房的位置和大小，並將其標記出來。通過電腦學習，系統能在不到一年的時間內學會醫師十多年的經驗。此系統的準確度、敏感性和特異性均超過 90%，在標記重點方面的準確性甚至達到 94% 以上。將醫師多年的經驗轉移至電腦模型中，從而創造出一個超越單一醫師能力、醫院經驗乃至區域經驗的模型。
在處理心房症狀時，傳統經驗認為肺靜脈是主要起源，但可能還有其他來源。過去無法僅憑手術前的 X 光或 CT 影像來確定病因，需要通過手術才能發現。盧教授探討的是，是否可以透過電腦模型從手術前影像中識別出細微的線索，指出除肺靜脈外的其他可能病因；這是一項連經驗豐富的醫師也難以完成的任務。
累積豐富的資料後，盧教授的人工智慧系統能學會以前難以達成的任務，利用手術前的資料來預測手術中可能發生的問題，以及手術後復發的可能性。這些以前都是在手術後透過追蹤才能評估的。
在腦腫瘤的研究方面，盧鴻興教授希望了解透過多年累積的經驗，如何進行更有效的分析。AI 系統與醫師的診斷結果有84%的重疊性，這表明將來醫師可以有更多時間與病人進行溝通。
在骨科應用方面，盧鴻興教授探討是否可以僅憑一張 X 光片就快速確定脊椎的問題位置和磨損程度。盧鴻興教授的系統也能夠實現這一目標，準確率和診斷的一致性都非常高。
在眼科領域，尤其針對青光眼，神經萎縮導致視神經盤變大，周圍神經也會出現萎縮。這種狀況是醫師們通常會進行的定性描述，盧鴻興教授面臨的挑戰是如何教導電腦從這些定性描述中進行定量分析。透過學習，盧鴻興教授希望電腦能夠達到與醫師相似的診斷準確性，目前已經能夠讓電腦達到超過 90% 的正確性。進一步，盧鴻興教授探索電腦是否能夠識別出真實的疾病特徵，以及是否能夠發現醫師未曾注意到的新特徵，從而學習並應用這些新知識。
盧鴻興教授還面臨另一個挑戰，即使用非侵入式的 Color Fundus 和 OCT 影像來診斷 AMD 或P CV。這對於某些醫師來說可能很困難，因為他們可能需要依賴染色劑，如螢光素血管造影（FAG）或 ICG 來進行診斷。盧鴻興教授的目標是探索電腦是否能夠僅憑非侵入式的影像就作出準確的診斷，從而避免使用染色劑。
通過 AI，盧鴻興教授希望能夠實現以前基於經驗和傳統模型無法完成的診斷，超越單一醫師的經驗，甚至結合多位醫師的經驗，擴展到整個醫院的經驗。這樣的進步促進共同推動北榮 AI 門診的發展，提高診斷的速度和準確性。這意味著醫師可以節省大量時間，專注於更重要的工作，而電腦系統可以 24 小時運作，減輕醫院工作人員的負擔。
展望未來，盧鴻興教授希望通過深度學習探索醫師多年來可能未知的新知識，發展科技驅動的人工智慧來從合作中學習新經驗。盧鴻興教授期待為醫學教科書增添新章節，創造未來醫師可以利用的新智慧，並希望與醫界先進一起合作，重新定義未來的醫學教育。
接下來，盧鴻興教授將探索如何超越單一醫院、單一醫師的經驗，實現可靠的人工學習，針對不同病人和不同區域提供個別化的醫療解決方案。盧鴻興教授鼓勵大家一起合作，將各自的經驗融合，發展出最優化的系統，從而使醫師有更多時間與病患交流，發現更多以往未知的事物。
結論
盧鴻興教授的工作體現了統計學習和機器學習技術在醫療領域的強大潛力。通過精確的技術細節和跨領域合作，他的研究不僅推動了人工智慧在醫療診斷中的應用，也為未來的智慧醫療系統設計提供了寶貴的見解。
— -
📒 Compiled by — Sigrid Chen, Rehabilitation Medicine Resident Physician at Taichung Tzu Chi Hospital, Occupational Therapist, Personal Trainer of the American College of Sports Medicine.